Universitatea din Bucuresti

Facultatea de Matematica si Informatica

CURS nr. 1 TEHNICI DE SIMULARE

Recapitulare: notiuni de probabilitati

Lect. dr. Bianca Mogos

Continut

Partea I
I Experiment aleator. Spatiu de selectie. Evenimente
I Functie de probabilitate. Camp de probabilitate
I Evenimente independente. Probabilitate conditionata.
Formula lui Bayes
Partea a II - a
I Variabile aleatoare. Functie de repartitie
I Variabile aleatoare discrete
I Variabile aleatoare continue
Experiment aleator

Definitie
Un experiment aleator este definit ca fiind o actiune al carei rezultat
nu poate fi prezis cu certitudine si care se poate modifica n urma
repetarii experimentului.

Remarca
Variabilitatea rezultatelor iesite n urma unui experiment aleator
poate aparea ca urmare a unor erori de masurare, a alegerii unor
obiecte diferite pentru testare, etc.

Exemplu
I Observarea pe un interval T de timp a functionarii unui calcu-
lator.
I Inregistrarea consumului de energie electrica a unui combinat.
Spatiu de selectie

Definitie
Spatiul de selectie al unui experiment aleator, notat prin , reprezinta
multimea tuturor rezultatelor posibile.

Exemplu
I Prin aruncarea banului se pot obtine doua rezultate. Astfel,
spatiul de selectie este {0,1}.
I Prin rostogolirea unui zar cu sase fete si numararea punctelor de
pe o fata se pot obtine sase rezultate posibile. Astfel, spatiul
de selectie este {1,2,3,4,5,6}.
Eveniment. Eveniment sigur si eveniment imposibil

Definitie
Un eveniment este orice submultime de rezultate continute n spatiul
de selectie. Un eveniment este elementar daca el consta dintr-un
singur rezultat si compus daca consta din mai multe rezultate.

Definitie
Evenimentul sigur este evenimentul care se realizeaza ntotdeauna
ca rezultat al experimentului; va fi notat cu (se asociaza multimii
totale de rezultate).
Evenimentul imposibil nu se poate realiza ca rezultat al unui expe-
riment; va fi notat cu (corespunde multimii vide).
Reuniunea si intersectia evenimentelor

Definitie
k
[
Numim reuniunea evenimentelor A1 , A2 , . . . , Ak , notata prin Aj ,
j=1
evenimentul care se realizeaza cand cel putin unul dintre eveni-
mentele A1 , A2 , . . . , Ak se realizeaza.
k
\
Numim intersectia evenimentelor A1 , A2 , . . . , Ak , notata prin Aj ,
j=1
evenimentul care se realizeaza cand se realizeaza toate evenimentele
A1 , A2 , . . . , Ak .
Definitia empirica a probabilitatii

Probabilitatea unui eveniment este o masura

I prin care modelam incertitudinea producerii fenomenelor si a
aparitiei datelor din lumea reala
I care ne permite sa apreciem gradul de ncredere si sa cuan-
tificam lipsa de siguranta inerenta n procesul care genereaza
datele analizate.

Definitie
(Definitia clasica a probabilitatii) Daca ntr-un experiment cu n
rezultate, kdintre ele favorizeaza realizarea evenimentului A, de-
finim probabilitatea P(A) a evenimentului A prin
k
P(A) = (1)
n
Exercitiu: Aruncarea cu zarul

1. Calculati probabilitatea ca n urma aruncarii unui zar sa iasa un

numar par.

2. Care este probabilitatea ca n urma aruncarii unui zar sa iasa

un numar impar, strict mai mare ca 3?
 algebra

Fie multimea evenimentelor elementare (rezultatelor posibile) ale

unui experiment aleator.
Definitie
B P() este o algebra daca
1. , B
2. Daca A B atunci AC B

[
3. Daca (An )nN , An B atunci An B
n=1

Perechea (, B) se numeste camp de evenimente.

Functie de probabilitate

Definitie
Se numeste probabilitate pe B o functie nenegativa P : B [0, 1]
cu proprietatile:
1. P() = 1
2. Daca A, B B si A B = atunci P(A B) = P(A) + P(B).

Definitie
Tripletul (, B, P) se numeste camp de probabilitate.
Proprietati ale functiei de probabilitate
1. P(AC ) = 1 P(A), deoarece A AC = , A AC = .
2. P() = P(C ) = 1 P() = 0.
3. P(A B) = P(A) + P(B) P(A B), daca A B 6= .

Proprietatea 3. rezulta din relatiile (2) si (3).

A = A (B B C ) = (A B) (A B C ) cu A B B C =
B = B (A AC ) = (B A) (B AC ) cu B A AC =
A B = (A B) (A B C ) (B AC ).
(2)
Aplicam axioma 2. din definitia probabilitatii si obtinem
P(A) = P(A B) + P(A B C )
P(B) = P(A B) + P(B AC ) (3)
P(A B) = P(A B) + P(A B C ) + P(B AC ).
Exercitii

I Problema controlului alimentelor

Se stie ca ntr-o cutie sunt 550 de mere. Se verifica aleator 25
dintre ele daca sunt stricate. Daca 2% dintre merele din cutie
sunt stricate, care este probabilitatea ca printre cele 25 testate
sa gasim 2 mere stricate?

I Problema zilei de nastere

Care este probabilitatea ca cel putin 2 persoane dintr-un grup
de n indivizi sa aiba aceeasi zi de nastere?
Evenimente independente. Probabilitate conditionata

Definitie
Spunem ca evenimentele A si B din B sunt independente daca nu
se influenteaza, adica realizarea evenimentului A nu depinde de re-
alizarea lui B si reciproc.

Definitie
Se numeste probabilitate conditionata a evenimentului A de catre
evenimentul B si se noteaza P(A|B) sau PB A probabilitatea de re-
alizare a evenimentului A calculata n conditia ca evenimentul B s-a
realizat (P(B) > 0) si se defineste ca:
P(A B)
P(A|B) = (4)
P(B)
Exemplu 1: (1)

Un tratament s-a aplicat la 700 de pacienti care sufereau de piatra

la rinichi. S-a constatat ca doar 562 s-au vindecat. De asemenea, se
stie ca 357 au pietre mici si 315 dintre acestia s-au vindecat, iar 343
au pietre mari si 247 s-au vindecat. Sa se calculeze probabilitatea
ca un pacient sa se vindece stiind ca acesta are piatra mica. Dar,
daca are piatra mare?
Solutie:
I Fie
= {1, 2, . . . , 700} multimea tuturor pacientilor,
S = {1, 2, . . . , 562} multimea pacientilor vindecati si
E = {563, . . . , 700} multimea pacientilor nevindecati.
Exemplu 1: (2)
I Obtinem urmatoarele probabilitati:
1
P() = , evenimentul elementar
700
562
P(S) = 0, 8
700
138
P(E ) = = 0, 2
700
I Notam cu
1 = pacientii care au pietre mici
2 = pacientii care au pietre mari
357 343
I Rezulta P(1 ) = = 0, 51 si P(2 ) = = 0, 49. Astfel
700 700
P(S 1 ) 315 1
P(S|1 ) = = = 0, 88
P(1 ) 700 0, 51
Analog, se arata ca P(S|2 ) = 0, 72.
Formula lui Bayes (1)
Fie (Ai )i=1,k o partitie a multimii , ceea ce nseamna ca
k
[
Ai Aj = , i, j 1, k, i 6= j, P(Aj ) > 0, j = 1, k si Aj = .
j=1
(5)
Fie X B un eveniment oarecare. Atunci
k
[ k
X
P(X ) = P(X ) = P( X Aj ) = P(X Aj )
j=1 j=1
(6)
k
X
= P(Aj ) P(X |Aj )
j=1

Obtinem relatia
k
X
P(X ) = P(Aj ) P(X |Aj ) (7)
j=1
Formula lui Bayes (2)

Atunci probabilitatea conditionata a evenimentului Aj de catre eveni-

mentul X se poate calcula cu formula

P(Aj ) P(X |Aj )

P(Aj |X ) = Pk . (8)
j=1 P(Aj ) P(X |Aj )

Relatia obtinuta n ecuatia (8) se numeste formula lui Bayes.

Variabila aleatoare

Fie (, B, P) un camp de probabilitate.

Definitie
Numim variabila aleatoare (v.a.) o functie X : R cu proprieta-
tea ca pentru fiecare x R evenimentul
X 1 (x) = { |X () x} apartine multimii B. (9)

Exemplu
Pentru A B, functia indicator IA definita prin

1, A
IA () = (10)
0, /A
este o variabila aleatoare.
Functie de repartitie. Proprietati ale functiei de repartitie
not
Fie evenimentul A = { |X () x} = {X x} B.
Definitie
Functia FX : R [0, 1] definita prin
not
FX (x) = P({X x}) = P(X x) (11)
se numeste functia de repartitie a variabilei aleatoare X .
Proprietati ale functiei de repartitie
1. FX (x) [0, 1] , lim FX (x) = 1, lim FX (x) = 0.
x x

2. FX (x + h) FX (x), pentru h > 0, deoarece

FX (x + h) = FX (x) + P({ |x < X () x + h}).

3. P({ |a < X () b}) = FX (b) FX (a), pentru a < b.

Variabila aleatoare discreta

I Spunem ca X este o variabila aleatoare discreta daca valorile

luate de variabila aleatoare X sunt n numar finit sau numarabil.
I O v.a. discreta este definita prin tabloul:
 
x1 x2 . . . xn . . .
X : (12)
p1 p2 . . . pn . . .
unde x1 , x2 , . . . , xn , . . . reprezinta valorile distincte pe care le
poate lua v.a. X , iar pn = P({ |X () = xn }), n = 1, 2, . . .

I Tabloul din ecuatia (12) se numeste repartitia variabilei aleatoare

discrete X .
Proprietati ale variabilelor aleatoare discrete

1. p1 + p2 + . . . + pn + . . . = 1, deoarece
p1 + p2 + . . . + pn + . . . = P({ |X () = x1 })+
+ P({ |X () = x2 }) + . . . + P({ |X () = xn })+
+ . . . = P() = 1
deoarece evenimentele
Ai = { |X () = xi } si Aj = { |X () = xj } cu i 6= j
sunt disjuncte (adica, Ai Aj = ; altfel avem evenimentul
e Ai Aj , de unde rezulta
[ X (e) = xi = xj , ceea ce este
imposibil pentru i 6= j) si Ai =
i

2. O variabila aleatoare discreta realizeaza o partitie a spatiului de

selectie.
Operatii cu variabile aleatoare discrete (1)

Definitie
Daca X si Y sunt definite pe acelasi camp de probabilitate
(, B, P) atunci:
(X + Y ) () = X () + Y ()
(aX ) () = aX (), pentru a R
(XY ) () = X ()Y ()
X X ()
() = , daca Y () 6= 0 pentru orice
Y Y ()
Operatii cu variabile aleatoare discrete (2)
Daca
   
x1 x2 . . . xn y1 y2 . . . ym
X : ,Y :
p1 p2 . . . pn q1 q2 . . . qm
atunci
 
x1 + y1 x1 + y2 . . . xi + yj . . . xn + ym
X +Y :
p11 p12 ... pij ... pnm
unde pij = P({ |X () = xi } { |Y () = yj }).

 
ax1 ax2 . . . axn
aX :
p1 p2 . . . pn
 
x1 y1 x1 y2 . . . xi yj . . . xn ym
X Y :
p11 p12 . . . pij . . . pnm
si
 
x1 /y1 x1 /y2 . . . xi /yj . . . xn /ym
X /Y :
p11 p12 . . . pij . . . pnm
Caracteristici ale v.a. discrete definitii (1)

I Fie (, B, P) spatiul de probabilitate pe care este definita

variabila aleatoare discreta X .
I Daca X este o variabila aleatoare, X : R atunci numim
valoare medie a variabilei X ,

X
E [X ] = x i pi (13)
i=1

pentru cazul n care X ia un numar numarabil de valori si

seria este convergenta.
I Daca X ia un numar finit de valori, valoarea medie se
defineste printr-o suma finita.
Caracteristici ale v.a. discrete definitii (2)

I Momentul de ordinul r al v.a. X este Er [X ] = E [X r ]. Se mai

foloseste notatia r (X ) = E [X r ].
I Momentul centrat de ordin r al v.a. X este numarul
r (X ) = E [(X E [X ])r ] (14)
I Pentru r = 2
not
2 (X ) = E [(X E [X ])2 ] = D(X ) (15)
se numeste dispersia variabilei X.
I Dispersia D(X ) da o masura a mprastierii valorilor variabilei
X n jurul valorii ei medii.
Proprietati ale mediei unei v.a. discrete (1)
1. E [aX + b] = aE [X ] + b, a, b R
2. E [X + Y ] = E [X ] + E [Y ]
Demonstratie
n X
X m n
X m
X m
X n
X
E [X + Y ] = (xi + yj )pij = xi pij + yj pij
i=1 j=1 i=1 j=1 j=1 i=1
n
X m
X
= xi P(X = xi ) + yj P(Y = yj ),
i=1 j=1

deoarece
m
X
pij = P ((X = xi ) ) = P(X = xi )
j=1
n
X
pij = P ( (Y = yj )) = P(Y = yj ).
i=1
Proprietati ale mediei unei v.a. discrete (2)

3. Daca X si Y sunt v.a. independente atunci

E [X Y ] = E [X ] E [Y ]
Demonstratie
n X
X m
Avem E [X Y ] = xi yj pij . Cum X si Y sunt independente
i=1 j=1

pij = P(X = xi ) P(Y = yj ).

Astfel,
n
X m
X
E [X Y ] = xi P(X = xi ) yj P(Y = yj ).
i=1 j=1
Variabila aleatoare continua

Definitie
Spunem ca X : R este v.a. continua daca
P({ |X () = x}) = 0, (16)
pentru orice x R.

Observatii:
I Desi probabilitatea evenimentului din definitie este zero nu
nseamna ca evenimentul nu se poate realiza.
I Daca X este o variabila aleatoare continua atunci functia sa
de repartitie este continua.
Densitate de repartitie. Proprietati ale functiei de repartitie

Definitie
Daca exista
FX (x + h) FX (x)
lim = FX0 (x) (17)
h0 h
atunci FX0 se numeste densitatea de repartitie a variabilei X si
FX0 (x) = fX (x), x R (18)

Proprietati ale functiei de repartitie

Z x Z
1. Deoarece FX (x) = fX (t)dt rezulta fX (t)dt = 1

2. Deoarece FX este crescatoare rezulta ca fX (x) 0, x R.
Caracteristici ale v.a. continue definitii (1)
I Valoarea medie a v.a. continue X este
Z Z
E [X ] = xdFX (x) = xfX (x)dx (19)

I Momentul de ordinul r al variabilei aleatoare continue X este
Z
r (X ) = E [X r ] = x r fX (x)dx. (20)
R
I Momentul centrat de ordinul r al variabilei aleatoare continue
X este
Z
r
r (X ) = E [(X E [X ]) ] = (x E [X ])r fX (x)dx. (21)
R
I Pentru r = 2 obtinem dispersia variabilei aleatoare X :
Z
2
D(X ) = 2 (X ) = E [(x E [X ]) ] = (x E [X ])2 fX (x)dx.
R
(22)
Caracteristici ale v.a. continue definitii (2)

p
I D(X ) se numeste abaterea medie patratica sau deviatia
standard.
I Modul v.a. X , notat prin M0 , este acea valoare a v.a. X
pentru care densitatea de probabilitate fX are valoare maxima.
I Mediana v.a. X , notata prin Me, este acea valoare pentru care
Z Me Z
1
fX (x)dx = fX (x)dx = . (23)
Me 2
I Cuantila de ordinul a variabile aleatoare X este acea valoare
q care verifica relatia
Z q
fX (x)dx = . (24)

Test

Timpul de asteptare la un ghiseu este o variabila aleatoare T care

urmeaza o repartitie Exp() cu timpul mediu de asteptare de 15
minute. Sa se afle probabilitatea ca un cetatean sa astepte mai
mult de 20 de minute.
Bibliografie I

M. Craiu (1998), Statistica matematica: teorie si probleme,

Editura Matrix Rom, Bucuresti
W. L. Martinez, A. R. Martinez (2002), Computational
Statistics Handbook with MATLAB, Chapman & Hall/CRC,
Boca Raton London New York Washington, D.C.